[发明专利]赛事关键信息挖掘及预测方法

权利要求书

1.一种赛事关键信息挖掘及预测方法，其特征在于，包括：

Q1、构建模型基础，其包括：

获取多场赛事信息作为样本数据；

基于预录入的赛事得分规则、得分因素解析样本数据，并定义预测分析所需特征变量；

对解析后的样本数据做特征提取，并基于时序逻辑，建立特征变量组合和得分结果的映射关系；

基于映射关系和预录入的特征组合范例，定义特征变量组合规则；

Q2、预测模型训练，其包括：

采集，并调用任一运动员的过往赛事数据作为历史样本；

对历史样本进行特征提取，产生运动员个人规范数据；

随机采样，二分割历史样本，得到测试样本和训练样本；

基于测试样本和训练样本，训练和测试预设的预测模型算法，并输出，根据运动员的身份进行存储；

Q3、赛事关键点挖掘，其包括：

获取当前赛事的视频数据，对上场运动员做人脸识别，得到在场运动员的身份信息；

根据身份信息，调用匹配的预测模型；

获取当前赛事的赛事数据，并做特征变量提取，导入匹配的预测模型分析，得到预测结果，输出用作关键提示；

还包括：

获取预对接的赛事在线平台的用户发言数据；

对用户发言数据进行关键字/词识别，定位；

基于关键字/词对用户发言中的预判行为信息抓取，并基于时序逻辑，对在后的赛事得分数据比对；

统计用户预判行为正确的次数，且定义次数超出预设第一阈值的用户为参考用户；

为参考用户建立用户档案，用户档案记录预判行为信息、对应赛事真实得分数据以及预判行为匹配的运动员；

对当前赛事的在场运动员做参考用户预判统计，并输出统计结果用作关键提示；

所述定位包括：

对关键字/词所在的某一条、前后发言进行语义解析，判定是否触发对运动员的行为预判，如果是，则定位成功，执行下一步；如果否，则返回关键字/词识别。

2.根据权利要求1所述的赛事关键信息挖掘及预测方法，其特征在于，还包括：

定义一次得分所对应的前序特征变量、特征变量组合为一组数据；

对同一运动员的各组数据做统计，得到相同的特征值、特征变量组合出现的次数占比d，并基于次数占比d定义特征变量的权重值；

对各个特征变量的标准差/相似度分别计算计算；

判断标准差/相似度是否小于预设的第一阈值，如果否，则计算同一特征变量多个不同预设取取值范围的占比，记为单量占比dm；

综合权重值和单量占比dm，得到新的权重值并输出。

3.根据权利要求1所述的赛事关键信息挖掘及预测方法，其特征在于，还包括：

统计参考用户的预判结果，记为数据集A；

将数据集A与对应的赛事得分数据比较，进行一致性判定，结果记为Km；

将模型预测结果与对应的赛事得分数据比较，进行一致性判定，结果记为Kn；

若历史Km数据集中的一致次数大于Kn数据集中的一致次数，则定义用户预判为特征变量，更新预测。

4.根据权利要求3所述的赛事关键信息挖掘及预测方法，其特征在于，所述将数据集A与对应的赛事得分数据比较，进行一致性判定，其包括：

统计各种用户预判结果的数量，取数量最大的一种用户预判结果为与赛事得分数据比较；且，若相同，则认定为一致。

5.根据权利要求4所述的赛事关键信息挖掘及预测方法，其特征在于：

基于关键字/词对参考用户发言中的偏好倾向信息抓取，且识别偏好倾向信息的类别；其中，类别包括正向偏好和负面偏好；

基于参考用户发言匹配偏好倾向信息与对应的运动员；

统计数据集A时，跳过对当前运动员为负面偏好，且频次超过第二阈值的参考用户。

6.根据权利要求1所述的赛事关键信息挖掘及预测方法，其特征在于，还包括：基于关键字/词对参考用户发言进行跟风行为判定，若判定为跟风，则统计数据集A时，跳过该参考用户。